Pour les utilisateurs qui débutent dans la science des données, la gamme de langages de programmation peut être écrasante. Alors, quel langage devriez-vous apprendre en premier ? Ce module vous sensibilisera aux critères qui déterminent le choix du langage à apprendre. Vous découvrirez les avantages de Python, R, SQL et d'autres langages courants tels que Java, Scala, C++, JavaScript et Julia. Vous explorerez comment vous pouvez utiliser ces langages dans le domaine de la science des données. Vous consulterez également quelques sites pour trouver plus d'informations sur les langages.

Dans ce module, vous apprendrez à connaître les différentes bibliothèques dans le domaine de la science des données. En outre, vous comprendrez ce qu'est une API par rapport à la demande et à la réponse REST. En outre, dans ce module, vous explorerez les ensembles de données ouvertes sur le Data Asset eXchange. Enfin, vous apprendrez à utiliser un modèle d'apprentissage automatique pour résoudre un problème et à naviguer sur Model Asset eXchange.

Avec l'avancée des données numériques, Jupyter Notebook permet à un scientifique des données d'enregistrer ses expériences et ses résultats afin que d'autres puissent les réutiliser. Ce module présente le Notebook Jupyter et Jupyter Lab. Vous apprendrez à travailler avec différents noyaux dans une session Notebook et à connaître l'architecture de base de Jupyter. En outre, vous identifierez les outils dans un environnement Jupyter Anaconda. Enfin, le module donne un aperçu des environnements Jupyter basés sur le cloud et de leurs fonctions de science des données.

R est un langage de programmation statistique et un outil puissant pour le traitement et la manipulation des données. Ce module commence par une introduction à R et RStudio. Vous apprendrez à connaître les différents packages de visualisation de R et à créer des graphiques visuels à l'aide de la fonction plot. En outre, les systèmes de contrôle de version distribués (DVCS) sont devenus des outils essentiels dans le développement de logiciels et des facilitateurs clés pour le codage social et collaboratif. Bien qu'il existe de nombreux systèmes de contrôle de version distribués, Git est l'un des plus populaires. Dans la suite du module, vous développerez les compétences conceptuelles et pratiques essentielles pour travailler avec Git et GitHub. Vous commencerez par une présentation de Git et de GitHub, suivie de la création d'un compte GitHub et d'un dépôt de projet, de l'ajout de fichiers et de la validation des modifications à l'aide de l'interface web. Ensuite, vous vous familiariserez avec les flux de travail Git impliquant les branches, les demandes de retrait (PR) et les fusions. À la fin de la formation, vous réaliserez un projet afin de mettre en pratique et de démontrer les compétences nouvellement acquises.

Dans ce module, vous travaillerez sur un projet final pour démontrer certaines des compétences acquises dans le cours. Vous serez également testé sur vos connaissances des différents composants et outils de la boîte à outils du Data Scientist appris dans les modules précédents.

Watson Studio est une plateforme collaborative pour la communauté de la science des données et est utilisé par les analystes de données, les scientifiques de données, les ingénieurs de données, les développeurs et les gestionnaires de données pour analyser les données et construire des modèles. Dans ce module, vous découvrirez Watson Studio et IBM Cloud Pak pour les données en tant que service. Vous créerez ensuite un service IBM Watson Studio et un projet dans Watson Studio. Après avoir créé le projet, vous créerez un carnet Jupyter et chargerez un fichier de données. Vous explorerez également les différents modèles et noyaux dans un carnet Jupyter. Enfin, vous connecterez votre compte Watson Studio à GitHub et publierez le notebook dans GitHub. Note : Cette partie du cours est optionnelle et n'est pas obligatoire pour compléter le laboratoire fourni dans cette semaine du cours.